CN114226191B - 一种凹槽工件的静电粉末喷涂方法、介质及设备 - Google Patents

一种凹槽工件的静电粉末喷涂方法、介质及设备 Download PDF

Info

Publication number
CN114226191B
CN114226191B CN202210000469.XA CN202210000469A CN114226191B CN 114226191 B CN114226191 B CN 114226191B CN 202210000469 A CN202210000469 A CN 202210000469A CN 114226191 B CN114226191 B CN 114226191B
Authority
CN
China
Prior art keywords
output
neural network
electrostatic
spraying
powder
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210000469.XA
Other languages
English (en)
Other versions
CN114226191A (zh
Inventor
刘建群
刘智楷
高伟强
许东伟
黄国静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan Zhiang Technology Co ltd
Guangdong University of Technology
Original Assignee
Foshan Zhiang Technology Co ltd
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Foshan Zhiang Technology Co ltd, Guangdong University of Technology filed Critical Foshan Zhiang Technology Co ltd
Priority to CN202210000469.XA priority Critical patent/CN114226191B/zh
Publication of CN114226191A publication Critical patent/CN114226191A/zh
Application granted granted Critical
Publication of CN114226191B publication Critical patent/CN114226191B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B05—SPRAYING OR ATOMISING IN GENERAL; APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05D—PROCESSES FOR APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05D1/00—Processes for applying liquids or other fluent materials
    • B05D1/02—Processes for applying liquids or other fluent materials performed by spraying
    • B05D1/04—Processes for applying liquids or other fluent materials performed by spraying involving the use of an electrostatic field
    • B05D1/06—Applying particulate materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Application Of Or Painting With Fluid Materials (AREA)

Abstract

本发明公开一种凹槽工件的静电粉末喷涂方法、系统、介质及设备，包括以下步骤：采集喷涂参数；根据采集的喷涂参数建立神经网络模型，并对神经网络模型进行训练处理；设定输出静电大小、输出雾化气流量大小、输出粉量大小和理想凹槽底部涂层厚度，将设定好的喷涂参数输入到训练好的神经网络中，计算出静电场启停预测时间；根据静电场启停预测时间对工件进行静电场间歇启停喷涂；该凹槽工件的静电粉末喷涂方法能对具有凹槽特征的工件进行静电粉末喷涂时，能有效提高凹槽底部的上粉率，且不会造成粉末涂料的浪费。

Description

一种凹槽工件的静电粉末喷涂方法、介质及设备
技术领域
本发明涉及静电粉末喷涂技术领域，具体涉及一种凹槽工件的静电粉末喷涂方法、介质及设备。
背景技术
静电粉末喷涂因其绿色环保、高效节能、涂膜质量较好、成品率较高、涂料再利用率高等优点，广泛应用于汽车、船舶、航天航空等领域。静电喷涂的工作原理是静电粉末喷涂控制器对喷枪电极施加负高电压，在喷枪与被涂工件间建立静电场，同时喷枪电极电离空气使粉末涂料带上负电荷。带电涂料在气流和电场力的作用下均匀且牢固地沉积在被涂工件表面。
采用静电粉末喷涂具有凹槽特征的工件时，由于电场线会集中在凹槽顶部，导致带电涂料受电场线的约束很难扩散至凹槽底部，使凹槽底部的上粉率很低。如今解决这一问题的普遍做法是加大雾化气的输出以及提高出输出粉量来增加凹槽底部上粉率，这会造成工件其它部分涂膜较厚，也会浪费更多的粉末涂料。
发明内容
为了解决上述技术问题，本发明的目的是提供一种凹槽工件的静电粉末喷涂方法。
第一方面，本申请实施例提供一种凹槽工件的静电粉末喷涂方法，包括以下步骤：
采集输出静电的大小、雾化气输出流量大小、输出粉量大小、静电启停时间和理想凹槽底部涂层厚度；
根据输出静电的大小、雾化气输出流量大小、输出粉量大小、静电启停时间、理想凹槽底部涂层厚度建立神经网络模型，并对神经网络模型进行训练处理；
设定输出静电大小、输出雾化气流量大小、输出粉量大小和理想凹槽底部涂层厚度，将设定好的喷涂参数输入到训练好的神经网络中，计算出静电场启停预测时间；
根据静电场启停预测时间对工件进行静电场间歇启停喷涂。
第二方面，本申请实施例提供一种其上存储有计算机可执行指令的非瞬态有形存储介质，所述计算机可执行指令在被计算机执行时使得计算机执行上述的凹槽工件的静电粉末喷涂方法。
第三方面，本申请实施例提供一种喷涂设备，包括：
至少一个处理器；和
至少一个存储器，其中，所述至少一个存储器中存储有计算机可执行代码，所述计算机可执行代码当由所述至少一个处理器运行时，执行上述的凹槽工件的静电粉末喷涂方法。
第四方面，本申请实施例提供一种静电喷涂系统，包括
静电粉末喷涂控制器；
控制装置，用于采集和调整所述静电粉末喷涂控制器的喷涂参数；以及
静电喷枪；
其中，该静电喷涂系统的工作方法包括以下步骤：
采集喷涂参数；
根据喷涂参数建立神经网络模型，并对神经网络模型进行训练处理；
将设定好的喷涂参数输入到训练好的神经网络中，计算出静电场启停预测时间；
根据静电场启停预测时间对工件进行静电场间歇启停喷涂。
进一步的，所述喷涂参数包括：输出静电的大小、雾化气输出流量大小、输出粉量大小以及静电启停时间。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
采用静电场间歇启停的特殊方法，在对具有凹槽特征的工件进行静电粉末喷涂时，能有效提高凹槽底部的上粉率，且不会造成粉末涂料的浪费。
基于三层全连接BP神经网络，能够在设置不同的静电喷涂参数和凹槽底部理想涂层厚度的情况下，自动计算出最佳的静电场启停时间，获得最优的参数设置组合。
使用的三层BP神经网络收敛速度快，计算效率高，具备较高的实时性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种凹槽工件的静电粉末喷涂方法的步骤流程图。
图2为本发明一种凹槽工件的静电粉末喷涂方法的神经网络模型的结构示意图。
图3为本发明实施例还提供一种静电喷涂系统的结构示意图。
具体实施方式
下面将参照附图对本发明的各个优选的实施方式进行描述。提供以下参照附图的描述，以帮助对由权利要求及其等价物所限定的本发明的示例实施方式的理解。其包括帮助理解的各种具体细节，但它们只能被看作是示例性的。因此，本领域技术人员将认识到，可对这里描述的实施方式进行各种改变和修改，而不脱离本发明的范围和精神。而且，为了使说明书更加清楚简洁，将省略对本领域熟知功能和构造的详细描述。
采用静电粉末喷涂具有凹槽特征的工件时，由于电场线会集中在凹槽顶部，导致带电涂料受电场线的约束很难扩散至凹槽底部，因此静电场的存在会严重降低凹槽底部上粉率使涂层厚度不达标。但静电的存在是使粉末涂料带电的必要条件，因此采用静电场间歇启停的方法来改善凹槽底部的上粉率，当静电开启时，高压电会持续电离空气，使喷出的粉末涂料带电，当静电关闭时，喷枪电极不再电离空气，静电场消失，此时带电涂料不再受电场线的约束均匀扩散至凹槽底部，并通过自感现象沉积在凹槽底部，从而提升凹槽底部上粉率。
参照图1所示，为了能够在获得理想凹槽底部涂层厚度的情况下计算出静电场的启停时间，采用训练BP神经网络的方法，得出关于凹槽底部涂层厚度、静电大小、雾化气流量大小、粉量大小与静电场启停时间的非线性关系网络。本公开中的凹槽工件的静电粉末喷涂方法包含以下步骤：数据采集、建立神经网络模型、训练神经网络模型、静电场启停时间回归预测、根据静电场启停预测时间对工件进行静电场间歇启停喷涂。
数据采集方式通过静电粉末喷涂实验收集。收集喷涂参数包括：输出静电的大小、雾化气输出流量大小、输出粉量大小以及静电启停时间。由于影响凹槽底部涂层厚度的喷涂参数很多，因此为了保证样本数据的全面性，采用控制变量法调整喷涂参数，而每个喷涂参数的设置范围则采用经验法来确定，设置密度由样本数量来确定。总共进行
Figure 100002_DEST_PATH_IMAGE001
次喷涂实验，采集包括静电大小
Figure 100002_DEST_PATH_IMAGE002
、雾化气流量大小
Figure 100002_DEST_PATH_IMAGE003
、粉量大小
Figure 100002_DEST_PATH_IMAGE004
、涂层厚度
Figure 100002_DEST_PATH_IMAGE005
的神经网络输入特征信息，并组织成
Figure 100002_DEST_PATH_IMAGE006
的输入特征矩阵
Figure 100002_DEST_PATH_IMAGE007
，其中
Figure 100002_DEST_PATH_IMAGE008
的下标表示特征类型（静电大小、雾化气流量大小、粉量大小、涂层厚度），
Figure 21496DEST_PATH_IMAGE008
的上标表示喷涂实验的组数。采集包含静电场启停时间
Figure 100002_DEST_PATH_IMAGE009
的神经网络输出特征信息，组织成
Figure 100002_DEST_PATH_IMAGE010
的输出特征向量
Figure 100002_DEST_PATH_IMAGE011
，其中
Figure 922325DEST_PATH_IMAGE009
表示静电场启停时间，
Figure 100002_DEST_PATH_IMAGE012
和
Figure 100002_DEST_PATH_IMAGE013
等表示喷涂实验的组数，T代表数学上的矩阵转置。通过以上方法获得神经网络模型训练所需的数据样本。
如图2所示，所述神经网络模型为三层全连接神经网络模型，包含输入层、隐含层、输出层，各层分别包含
Figure 100002_DEST_PATH_IMAGE014
、
Figure 100002_DEST_PATH_IMAGE015
、
Figure 100002_DEST_PATH_IMAGE016
个神经元节点。所述输入层包含静电大小
Figure 826696DEST_PATH_IMAGE002
、雾化气流量大小
Figure 658123DEST_PATH_IMAGE003
、粉量大小
Figure 410179DEST_PATH_IMAGE004
、涂层厚度
Figure 904745DEST_PATH_IMAGE005
的输入特征信息
Figure 100002_DEST_PATH_IMAGE017
，神经元节点个数
Figure 100002_DEST_PATH_IMAGE018
。所述输出层包含静电场启停时间
Figure 274241DEST_PATH_IMAGE009
的输出特征信息
Figure DEST_PATH_IMAGE019
，神经元节点个数
Figure DEST_PATH_IMAGE020
。所述隐含层的神经元节点数量根据经验公式
Figure DEST_PATH_IMAGE021
，其中
Figure DEST_PATH_IMAGE022
为[1, 10]之间的常数，则隐含层神经元节点数量范围为[3，12]，结合经验公式以及输入层和输出层的特征数量，选定隐含层的神经元节点个数
Figure DEST_PATH_IMAGE023
。神经网络的任务为回归预测，由于神经网络的预测输出结果为大于0的实数，因此输入层、隐含层和输出层的激活函数选择ReLU函数，其计算公式如下：
Figure DEST_PATH_IMAGE024
神经网络训练过程使用均方误差来衡量损失，损失函数计算出损失值的公式如下：
Figure DEST_PATH_IMAGE025
其中，
Figure DEST_PATH_IMAGE026
为数据的样本值，
Figure DEST_PATH_IMAGE027
为数据的训练结果。
所述神经网络训练采用小批量随机梯度下降法进行训练，为了避免训练结果过拟合，学习率设定为0.01，神经网络训练过程包括以下步骤：
S1、将数据采集样本的顺序打乱，增加随机性；
S2、将数据样本中的输入特征输入到神经网络中，通过前馈计算得出训练预测结果，并通过损失函数计算出损失值；
S3、将损失值进行反向传播，更新神经网络中隐含层和输入层各个神经元节点中的权重和偏置量；
S4、当损失值满足精度要求时，神经网络结束训练，否则重复进行步骤S1-S3。
当需要对具有凹槽特征的工件进行静电喷涂时，设置喷涂参数包括：输出静电大小、输出雾化气流量大小、输出粉量大小和理想凹槽底部涂层厚度，将设定好的喷涂参数输入到训练好的神经网络中，神经网络经计算后输出静电场启停时间的预测，修改喷涂参数后开始进行静电场间歇启停喷涂。
本申请实施例还提供一种其上存储有计算机可执行指令的非瞬态有形存储介质，当计算机程序产品在终端设备上运行时，使得终端设备执行时可实现上述实施例中的凹槽工件的静电粉末喷涂方法。
本申请实施例还提供一种喷涂设备，包括：处理器和存储器，其中，存储器中存储有计算机可执行代码，计算机可执行代码当由处理器运行时可实现上述实施例中的凹槽工件的静电粉末喷涂方法。
如图3所示，本申请实施例还提供一种静电喷涂系统，包括总线式静电粉末喷涂控制器1、控制装置2和静电喷枪3；控制装置2用于采集和调整所述总线式静电粉末喷涂控制器的喷涂参数，控制装置2通过CAN总线与静电粉末喷涂控制器1进行半双工通信；其中，该静电喷涂系统的工作方法包括以下步骤：
采集喷涂参数；
根据喷涂参数建立神经网络模型，并对神经网络模型进行训练处理；
将设定好的喷涂参数输入到训练好的神经网络中，计算出静电场启停预测时间；
根据静电场启停预测时间对工件进行静电场间歇启停喷涂。
喷涂参数包括：输出静电的大小、雾化气输出流量大小、输出粉量大小以及静电启停时间。
最后，还需要说明的是，上述一系列处理不仅包括以这里所述的顺序按时间序列执行的处理，而且包括并行或分别地、而不是按时间顺序执行的处理。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现，基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上对本发明进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种凹槽工件的静电粉末喷涂方法，其特征在于，包括以下步骤：
采集输出静电的大小、雾化气输出流量大小、输出粉量大小、静电启停时间和理想凹槽底部涂层厚度；
根据输出静电的大小、雾化气输出流量大小、输出粉量大小、静电启停时间、理想凹槽底部涂层厚度建立神经网络模型，并对神经网络模型进行训练处理；
设定输出静电大小、输出雾化气流量大小、输出粉量大小和理想凹槽底部涂层厚度，将设定好的喷涂参数输入到训练好的神经网络中，计算出静电场启停预测时间；
根据静电场启停预测时间对工件进行静电场间歇启停喷涂；
所述神经网络模型为三层全连接BP神经网络模型；
所述训练处理采用小批量随机梯度下降法进行训练；
所述训练具体包括以下步骤：
S1、将数据采集样本的顺序打乱，增加随机性；
S2、将数据样本中的输入特征输入到神经网络中，通过前馈计算得出训练预测结果，并通过损失函数计算出损失值；
S3、将损失值进行反向传播，更新神经网络中隐含层和输入层各个神经元节点中的权重和偏置量；
S4、当损失值满足精度要求时，神经网络结束训练，否则重复进行步骤S1-S3；
所述三层全连接BP神经网络模型包含输入层、隐含层、输出层，各层分别包含
Figure DEST_PATH_IMAGE001
、
Figure DEST_PATH_IMAGE002
、
Figure DEST_PATH_IMAGE003
个神经元节点，输入层包含静电大小
Figure DEST_PATH_IMAGE004
、雾化气流量大小
Figure DEST_PATH_IMAGE005
、粉量大小
Figure DEST_PATH_IMAGE006
、涂层厚度的输入特征信息
Figure DEST_PATH_IMAGE007
，神经元节点个数
Figure DEST_PATH_IMAGE008
，输出层包含静电场启停时间
Figure DEST_PATH_IMAGE009
的输出特征信息
Figure DEST_PATH_IMAGE010
，神经元节点个数
Figure DEST_PATH_IMAGE011
，隐含层的神经元节点数量根据经验公式
Figure DEST_PATH_IMAGE012
，其中
Figure DEST_PATH_IMAGE013
为[1,10]之间的常数，结合经验公式以及输入层和输出层的特征数量，选定隐含层的神经元节点个数
Figure DEST_PATH_IMAGE014
，所述输入层、隐含层和输出层的激活函数采用ReLU函数，其计算公式如下：
Figure DEST_PATH_IMAGE015
；
所述损失函数计算出损失值的公式如下：
Figure DEST_PATH_IMAGE016
；
其中
Figure DEST_PATH_IMAGE017
为数据的样本值，
Figure DEST_PATH_IMAGE018
为数据的训练结果。
2.一种静电喷涂系统，执行如权利要求1所述的凹槽工件的静电粉末喷涂方法，其特征在于，包括：
静电粉末喷涂控制器；
控制装置，用于采集和调整所述静电粉末喷涂控制器的喷涂参数；以及
静电喷枪；
其中，该静电喷涂系统的工作方法包括以下步骤：
采集喷涂参数；
根据喷涂参数建立神经网络模型，并对神经网络模型进行训练处理；
将设定好的喷涂参数输入到训练好的神经网络中，计算出静电场启停预测时间；
根据静电场启停预测时间对工件进行静电场间歇启停喷涂。
3.根据权利要求2所述的一种静电喷涂系统，其特征在于，所述喷涂参数包括：输出静电的大小、雾化气输出流量大小、输出粉量大小以及静电启停时间。
4.一种其上存储有计算机可执行指令的非瞬态有形存储介质，所述计算机可执行指令在被计算机运行时，执行如权利要求1中所述的方法。
5.一种喷涂设备，执行如权利要求1所述的凹槽工件的静电粉末喷涂方法，其特征在于，包括：
至少一个处理器；和
至少一个存储器，其中，所述至少一个存储器中存储有计算机可执行代码，所述计算机可执行代码当由所述至少一个处理器运行时，执行如权利要求1中所述的方法。
CN202210000469.XA 2022-01-04 2022-01-04 一种凹槽工件的静电粉末喷涂方法、介质及设备 Active CN114226191B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210000469.XA CN114226191B (zh) 2022-01-04 2022-01-04 一种凹槽工件的静电粉末喷涂方法、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210000469.XA CN114226191B (zh) 2022-01-04 2022-01-04 一种凹槽工件的静电粉末喷涂方法、介质及设备

Publications (2)

Publication Number Publication Date
CN114226191A CN114226191A (zh) 2022-03-25
CN114226191B true CN114226191B (zh) 2023-02-07

Family

ID=80745568

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210000469.XA Active CN114226191B (zh) 2022-01-04 2022-01-04 一种凹槽工件的静电粉末喷涂方法、介质及设备

Country Status (1)

Country Link
CN (1) CN114226191B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4343828A (en) * 1980-12-24 1982-08-10 Caterpillar Tractor Co. Electrodynamic painting system and method
US6507803B1 (en) * 1999-07-31 2003-01-14 Abb Research Ltd. Method for determining spraying parameters for a paint spraying unit
US6745158B1 (en) * 1999-07-31 2004-06-01 Abb Research Ltd Method and device for determining the layer thickness distribution in a paint layer
CN102211066A (zh) * 2011-03-08 2011-10-12 顾文华 一种静电喷射阵列系统及其优化方法
CN108714496A (zh) * 2018-06-11 2018-10-30 佛山市优正涂装科技有限公司 静电粉末喷枪系统的槽形产品喷涂控制方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001246295A (ja) * 2000-03-08 2001-09-11 Tomen System Kk 静電塗装方法と塗装装置
JP5574697B2 (ja) * 2009-12-22 2014-08-20 旭サナック株式会社 静電塗装ガン及び静電塗装方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4343828A (en) * 1980-12-24 1982-08-10 Caterpillar Tractor Co. Electrodynamic painting system and method
US6507803B1 (en) * 1999-07-31 2003-01-14 Abb Research Ltd. Method for determining spraying parameters for a paint spraying unit
US6745158B1 (en) * 1999-07-31 2004-06-01 Abb Research Ltd Method and device for determining the layer thickness distribution in a paint layer
CN102211066A (zh) * 2011-03-08 2011-10-12 顾文华 一种静电喷射阵列系统及其优化方法
CN108714496A (zh) * 2018-06-11 2018-10-30 佛山市优正涂装科技有限公司 静电粉末喷枪系统的槽形产品喷涂控制方法

Also Published As

Publication number Publication date
CN114226191A (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN115860096B (zh) 一种混合时变时滞的惯性神经网络的指数同步控制方法
CN114226191B (zh) 一种凹槽工件的静电粉末喷涂方法、介质及设备
Ma et al. Detecting unstable periodic orbits in high-dimensional chaotic systems from time series: Reconstruction meeting with adaptation
Chen et al. An effective learning of neural network by using RFBP learning algorithm
CN107798384B (zh) 一种基于可进化脉冲神经网络的鸢尾花卉分类方法和装置
CN113067334A (zh) 基于神经网络的有源电力滤波器非线性预测控制方法
CN108089442B (zh) 一种基于预测函数控制与模糊控制的pi控制器参数自整定方法
CN110554604A (zh) 一种多智能体同步控制方法、设备及存储设备
CN108873705A (zh) 一种基于非线性pid的hh神经元同步控制方法
Zhiteckii et al. Convergence of learning algorithms in neural networks for adaptive identification of nonlinearly parameterized systems
Mimura et al. Synapse efficiency diverges due to synaptic pruning following overgrowth
Guo Nonlinear predictive functional control based on hopfield network and its application in CSTR
Chen et al. Finite-time stabilization of stochastic neural networks with time-varying delay via impulsive control
CN113837380A (zh) 基于生物自组织反向传播的神经网络训练方法及装置
Masumori et al. Learning by stimulation avoidance scales to large neural networks
Shukla et al. Development of ANN model for prediction of coating thickness in hot dip galvanizing process
Zhang et al. The Application of the Fuzzy Neural Network Control in Elevator Intelligent Scheduling Simulation
Yu et al. Hierarchical dynamic neural networks for cascade system modeling with application to wastewater treatment
Ahn et al. T–S fuzzy adaptive delayed feedback synchronization for time-delayed chaotic systems with uncertain parameters
Gvozdik Rigorous derivation of the degenerate parabolic-elliptic Keller-Segel System from a moderately interacting stochastic particle system
Li et al. Dynamic surface control for non-strict-feedback stochastic nonlinear interconnected systems
Pathak et al. Complex ordering in spin networks: Critical role of adaptation rate for dynamically evolving interactions
Pan et al. The Prediction of Double Glow Plasma Alloying Process Based on Improved Generalized Regression Neural Network
Morie et al. A 2-dimensional Si nanodisk array structure for spiking neuron models
Leen et al. Perturbation theory for stochastic learning dynamics

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant